Algorithmes pour la prise de décision et l'apprentissage des préferences en optimisation multi-objectifs – AROMATICS

La complexité croissante des applications rencontrées en IA nous amène aujourd'hui à considérer des problèmes multi-objectifs à l'intersection de la théorie de la décision et de la recherche opérationnelle (e.g., problèmes d'allocation, systèmes de recommandation). Dans ces applications, les préférences sont omniprésentes et pour représenter les préférences des agents décisionnels, des modèles de plus en plus sophistiqués sont considérés. De manière générale, l'utilisation de modèles sophistiqués permet d'accroître les possibilités descriptives/prescriptives des systèmes d'aide à la décision, mais ils sont plus difficiles à apprendre et nécessitent plus de données sur les préférences des agents pour les représenter correctement. Comme ces données sont souvent en quantité limitée ou coûteuses à obtenir, l'apprentissage de ces modèles est un défi qui a motivé plusieurs contributions en aide à la décision et en IA ces dernières années. Un autre défi concerne l'application de ces modèles à des ensembles de solutions combinatoires/continus. En effet, bien que ces modèles caractérisent entièrement les solutions optimales, ils ne donnent pas automatiquement les moyens de les calculer efficacement quand les solutions sont nombreuses et implicitement définies par un problème d'optimisation combinatoire/continue. Sur de tels domaines, la plupart des contributions algorithmiques pour le calcul des solutions optimales ont été conçues pour des modèles simples comme la somme pondéré, les modèles plus complexes se confrontant souvent à des difficultés liées à la non-linéarité du modèle. Ce projet s'attaquera à ces défis en concevant des algorithmes pour l'apprentissage des préférences et la prise de décision en optimisation multi-objectifs, adaptés au contexte de décision et aux données disponibles. Des garanties théoriques seront fournies sur les temps de calcul, la qualité de la solution retournée et pour les méthodes interactives, sur le nombre de questions posées aux agents.